---
title: "La Recherche publique en France"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    social: menu
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
library(tidyverse)
library(ggtext)
library(ggpubr)
library(sf)
library(plotly)
library(showtext)
library(ggthemes)
library(htmltools)

#IMPORTATION DU JEU DE DONNEES
rdFR <- read.csv("./rd-moyens-administrations.csv", sep = ";")

#AS FACTOR
for (i in 1:12){
  rdFR[,i] <- as.factor(rdFR[,i])
}

#Fond de carte France par region 2014
reg<-st_read(dsn="regions-20140306-100m-shp/regions-20140306-100m.shp")

reg$nom
#On enl?ve les DOM TOM
guadeloupe<-reg[11,]
guyane<-reg[12,]
lareunion<-reg[16,]
martinique<-reg[19,]
mayotte<-reg[20,]

reg<-reg[-c(11:12,16,19:20),]
```

Dépenses
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------
### Dépenses totales par région en R&D en 2001

```{r}

```

### Dépenses totales par région en R&D en 2001

```{r}

```

Column {data-width=500}
-----------------------------------------------------------------------

### Chart B

```{r}

```



Effectifs 
=======================================================================

Column {data-width=650}
-----------------------------------------------------------------------

### Chart A

```{r}

```

Column {data-width=350}
-----------------------------------------------------------------------

### Chart B

```{r}

```

### Chart C

```{r}

```

La parité dans la recherche  {data-orientation=rows}
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------


### années sur la période

```{r}

par3 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  group_by(annee,sexe) %>% 
  summarise(personnel=sum(valeur))%>% 
  group_by(annee) %>% 
  mutate(percentage=personnel/sum(personnel)*100) %>% 
  pivot_wider(names_from = sexe, values_from = c(personnel,percentage))

valueBox(13, icon = "fa-hourglass-half",
         color="grey87")
```



### Evolution de l'effectif en recherche

```{r}
effectif_total2001 <- sum(par3[1,2],par3[1,3])
effectif_fem2001 <- sum(par3[1,2])


effectif_total2013 <- sum(par3[13,2],par3[13,3])
effectif_fem2013 <- sum(par3[13,2])

evoleff <- round(((effectif_total2013-effectif_total2001)/effectif_total2001*100),1)
evoleff_fem <- round(((effectif_fem2013-effectif_fem2001)/effectif_fem2001*100),1)
  
valueBox(paste("+",evoleff,"%"),
         icon = "fa-chart-line",
         color="grey87")
```

### Evolution des femmes employées

```{r}
valueBox(paste("+",evoleff_fem,"%"), icon = "fa-female",
         color="pink")
```


Column {data-width=500}
-----------------------------------------------------------------------

### Evolution des effectifs par sexe au niveau national

```{r}

par3 %>%
  plot_ly(x=~annee,y=~personnel_Femmes,
          type="scatter",mode="line",name="Effectifs féminins",line=list(color='#F436F7',dash='dashed')) %>%
  add_trace(x = ~annee, y = ~personnel_Hommes,name = 'Effectifs masculins', mode = 'line',line=list(color='#371DCC',dash='dashed')) %>%
    add_trace(x = ~annee, y = ~percentage_Femmes, name = "Pourcentage de femmes", yaxis = "y2",mode="line",line=list(color='#F291F2',dash='dashed')) %>%
    add_trace(x = ~annee, y = ~percentage_Hommes, name = "Pourcentage d'hommes", yaxis = "y2",mode="line",line=list(color="#8376CF",dash='dashed')) %>%

  layout(
    margin = list(l = 50, r = 50, b = 50, t = 50, pad = 4),
    legend = list(
      title=list(text='Légende'),
      orientation = 'h',
      y = -0.3),
    xaxis=list(
      title=list(text='Années')
    ),
    yaxis=list(
      title=list(text='Effectifs')
    ),
    yaxis2 = list(
      overlaying = "y",
      side = "right",
      title = list(text='Pourcentage',
                   y=-100),
      range=c(0,100)),
    xaxis = list(title="x"))



```




### Différentiel du pourcentage de femmes dans la recherche entre 2001 et 2013, au niveau régional
```{r}

#### ANNEE 1 ################ 
par1 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  filter(annee==2001) %>% 
  group_by(code_region,region,annee,sexe) %>% 
  dplyr::summarise(personnel=sum(valeur)) %>% 
  group_by(region) %>% 
  mutate(percent_2001=personnel/sum(personnel)*100) %>% 
  filter(sexe=="Femmes")

par2 <- rdFR %>%
  filter(code_indicateur=="pers") %>% 
  filter(sexe!="Non ventile") %>% 
  filter(annee==2013) %>% 
  group_by(code_region,region,annee,sexe) %>% 
  dplyr::summarise(personnel=sum(valeur)) %>% 
  group_by(region) %>% 
  mutate(percent_2013=personnel/sum(personnel)*100) %>% 
  filter(sexe=="Femmes")

#On merge les donn?es et le fond de carte
par12<-merge(x=par1,y=par2,by.x="code_region",by.y="code_region",all.x=T)

par12 <- par12 %>% 
  mutate(diff_percent=round((percent_2013-percent_2001),2))

#On merge les donnees et le fond de carte
par_reg<-merge(x=reg,y=par12,by.x="code_insee",by.y="code_region",all.x=T)

gg_parreg <- par_reg %>%
  st_transform( crs = 32631 )%>% 
  ggplot()+
  geom_sf(aes(fill = as.numeric(diff_percent))) +
  scale_fill_gradient2(midpoint = 0, low = "#1D00AD", mid = "white",
                            high = "#F436F7")+
  theme(legend.position="bottom")+
  labs(fill = 'Différence de pourcentage')+
  theme(
    axis.text.x = element_blank(),
    axis.text.y = element_blank(),
    axis.ticks = element_blank())+
  theme(plot.title = element_text(hjust = 0.5,size=10))

gg_parreg


```


A propos
=======================================================================

Ce dashboard vous est proposé par Laurine ALLARD, Mélanie DEMEURE et Loïc STRAFELLA de la spécialisation Sciences des données d'[Agrocampus Ouest](https://www.agrocampus-ouest.fr/), promotion 2021.

Vous pourrez trouver les données d'origine sur [data.gouv.fr](https://www.data.gouv.fr/fr/datasets/les-moyens-consacres-a-la-r-d-les-administrations-par-type-d-organisme-mesr/).